小波分析浅析
—— 李继刚
众所周知，以π2为周期的复杂的波都可以用以π2为周期的函数)(t f （模拟信号）来描述，它可以由形如)sin(n n nt A θ+的若干谐波叠加而成，因此，完全有理由认为)(t f 有如下的表现形式：
∑
∑
∑
∞
=∞
=∞
=+=
+=
+=
)
sin cos ()cos sin cos sin ()sin()(n n n n n n n n n n n nt b nt a nt A nt A nt A t f θθθ
为了确定上式中的系数n n b a ,，可以利用Fourier 变换，可以得到函数)(t f 的Fourier 级数，即
???
?
?
?
?
??
====++=??∑--+∞
=π
πππππ.,2,1,sin )(1,,1,0,cos )(1),sin cos (2)(1
0 n ntdt t f b n ntdt t f a nt b nt a a t f n n n n n 如果函数以T 为周期，则通过对t 作T
w x T
t ππ2,2=
?=变换，可以得到函数的Fourier
级数，即
???
?
?
?
?
??=?==?=?+?+=??∑--+∞
=π
πππ
.,2,1,sin )(2,,1,0,cos )(2),sin cos (2)(1
0 n wtdt n t f T b n wtdt n t f T a wt n b wt n a a t f n n n n n 从时域角度来理解Fourier 级数，将}sin ,{cos wt n wt n ??看作是具有频率w n ?的谐波，则时域表现的函数)(t f 可分解为无穷个谐波之和。
从频域角度来理解Fourier 级数，因为)(t f 的频域范围是[)+∞∈,0w ，所以，可将w 轴用间距w ?作离散分化，离散点w n ?处对应着频率为w n ?的谐波}sin ,{cos wt n wt n ??，这样就可将时域函数)(t f 与谐波组成1-1对应关系，即
+∞???0}sin ,cos {)(wt n b wt n a t f n n
Fourier 分析在信号分析处理时，将复杂的时域信号转换到频域中，时域信号和频域信号组成Fourier 变换对，人们既可以在时域中分析信号，也可以在频域中细致的作出特殊分析。
Fourier 变换是定义在R 上的，但人们在分析信号时，常常需要对信号先作时域局部化处理，再作频域分析，有时也需要对信号作频域局部化处理，通过改变频域信息，得到需要的时域信号，所以，作信号处理时，往往需要作时-频局部化处理。基于此种要求，提出了窗口Fourier 变换（WFT ），WFT 的数学形式为
?
-=
R
dt b t w t f b w Gf )()(),)((
其中，)(t w 为时窗函数。在此种思想的基础上，提出了时窗、频窗、时-频窗这三种对信号进行局部化处理的方法，但WFT 在时-频分析中，不能根据高低频信号的特点，自适应的调整时-频窗，在时-频局部化的精细方面和灵活方面表现也欠佳，而小波分析就能很好的克服这些缺点。
一般地，把对信号)(t f 的积分变换
dt t t f b a W R
ab
f ?
=
)()(),(ψ
称为小波变换，其中)()(2
1b at a
t ab
-=ψψ
，是由)(t ψ经平移和放缩的结果。
小波变换作为一种积分变换，只有当它能作回复变换时，才是有意义的。通过推导（可以参见《实用小波分析》第三章），可以得到回复公式
)(1]
)(),([t f C da a
db t b a W ab
R
R
f ψψ
=?
?
其中dw w
w C R
?
=
2
|
)(?|ψψ
在小波变换定义中，小波函数)(t ab
ψ
是窗函数，它的时-频窗表现了小波变换的时-频局
部化能力。记*t 为时窗中心，t ?为时窗半径，*w 为频窗中心，w ?为频窗半径，则关于窗函数)(t ab
ψ
，有
?
???
??
??
??
???-=?=-=?=??
??****2
12202
202
12202
20
}
|)(|)({)(?1,|)(?|)(?1,}|)(|)({)(1,|)(|)(1dw w w w t dw w w t w dt t t t t dt t t t t ab R
ab w R ab ab ab R
ab t R
ab ab ψψψψψψψψ
从小波函数)(t ab
ψ
的参数选择方面观察，当a 较大时，频窗中心*
ψ?aw 自动地调整到较
高频率中心的位置，且时-频窗形状自动地变为“廋窄”状；因为高频信息在很短的时域范围内的幅值变化很大，频率含量高，所以这种“廋窄”时-频窗正符合高频信息的局部时-频特性。同样，当a 较小时，频窗中心*
ψ?aw 自动地调整到较低位置，且时-频窗的形状自动地变为“扁平”；因为低频信号在较宽的时域范围内仅有较低的频率含量，所以这种“扁平”状的时-频窗正符合低频信号的局部时-频特性。
可以这样理解小波变换的含义：打个比喻，我们用镜头观察目标信号)(t f ，)(t ψ代表镜头所起的作用，b 相当于使镜头相对于目标平移运动，a 的作用相当于使镜头向目标推进或远离。由此可见，小波变换有以下特点：
1）多尺度/多分辨的特点，可以由粗到细地处理信号；
2）可以看成用基本频率特性为)(w ψ的带通滤波器在不同尺度a 下对信号作滤波。 3）适当地选择小波，使)(t ψ在时域上为有限支撑，)(w ψ在频域上也比较集中，就可以是WT 在时-频域都具有表现信号局部特征的能力。
小波变换是克服其他信号处理技术缺陷的一种分析信号的方法。小波由一族小波基函 构成，它可以描述信号时间（空间）和频率（尺度）域的局部特性。采用小波分析最大优 是可对信号进行实施局部分析，可在任意的时间或空间域中分析信号。小波分析具有发现 他信号分析方法所不能识别的、隐藏于数据之中的表现结构特性的信息，而这些特性对机 故障和材料的损伤等识别是尤为重要的。如何选择小波基函数目前还没有一个理论标准，常用的小波函数有 Haar 、 Daubechies(dbN)、 Morlet 、 Meryer 、Symlet 、Coiflet 、Biorthogonal 小波等15种。但是小波变换的小波系数为如何选择小波基函数提供了依据。小波变换后的系数比较大，就表明了小波和信号的波形相似程度较大；反之则比较小。 另外还要根据信号处理的目的来决定尺度的大小。如果小波变换仅仅反映信号整体的近似特征，往往选用较大的尺度；反映信号细节的变换则选用尺度不大的小波。由于小波函数家族成员较多，进行小波变换目的各异，目前没有一个通用的标准。
在小波分析中，应用最广泛的无疑是信号处理和图像处理，而在这两个领域中，就是信号（图像）的降噪和压缩。下面我们看一个利用小波进行降噪的实例： load noissin ; %读入白噪声
s=noissin(1:1000);%取信号的前1000个采样点
[c,l]=wavedec(s,3,'db4');%对信号做层数为3的多尺度分解
[cd1,cd2,cd3]=detcoef(c,l,[1,2,3]);%得到三个尺度的细节系数 ca3=appcoef(c,l,'db4',3);%得到尺度3的近似系数 figure(1);
subplot(511);plot(1:1000,s);title('s');
subplot(512);plot(1:l(1),ca3);title('ca3'); subplot(513);plot(1:l(2),cd3);title('cd3'); subplot(514);plot(1:l(3),cd2);title('cd2'); subplot(515);plot(1:l(4),cd1);title('cd1');
%将原始信号和分解后得到的一组近似系数和3组细节系数的波形显示出来
处理结果如下图所示。从图中可以看出，分解后的信号是平铺在数组c 中的，每段信
号的长度是由数组L标示，原信号的长度最大，再一次减半。
%第一种去噪方法，把所有的细节系数都强行设置为0
cdd3=zeros(1,l(2));
cdd2=zeros(1,l(3));
cdd1=zeros(1,l(4));
c1=[ca3,cdd3,cdd2,cdd1];
s1=waverec(c1,l,'db4');
figure(2);
subplot(211);plot(1:1000,s);title('s');
subplot(212);plot(s1);title('去噪后信号s1');
强行把所有的细节系数都设置为0，利用近似系数重新构造信号，结果如下图：
%第二种去噪方法，通过抑制细节系数实现降噪
index=l(2)+1:l(5);%从l中读出所有细节系数所在下标
c2=c;%得到一个c的复本
c2(index)=c(index)/3;%对细节系数进行抑制
s2=waverec(c2,l,'db4');
figure(3);
subplot(211);plot(1:1000,s);title('s');
subplot(212);plot(s2);title('去噪后信号s2');
在此种方法中，对细节部分进行抑制，再重构得到去噪后的信号，如下图：
%第三种降噪方法，利用Fourier变换
y=fft(s,1000);
pyy=y.*conj(y);%求y的模平方
figure(4);
plot(pyy);title('pyy');
如下图：
从上图可以看出，信号的能量主要集中在两端，在0-10Hz和990Hz-1000Hz之间，其他地方基本上就没能量了，事实上，我们可以把这两端单独画出来就很明显了。
这样，我们可以做一个简单的低通滤波。
%抑制频谱直接令其为零
y1=y;y1(11:899)=0;
%对经过滤波的频谱做Fourier逆变换，得到相应的降噪信号
s3=real(ifft(y1,1000));
figure(4);
subplot(211);plot(1:1000,s);title('s');
subplot(212);plot(s3);title('去噪后信号s3');
%比较各种去噪方法的优劣
pers1=norm(s1)/norm(s)
pers2=norm(s2)/norm(s)
pers3=norm(s3)/norm(s)
errs1=norm(s1-s)
errs2=norm(s2-s)
errs3=norm(s3-s)
运行结果如下：
pers1=0.9367
pers2=0.9452
pers3=0.9302
errs1=8.3560
errs2=5.5209
errs3=8.2038
从结果可以看出，使用把细节系数抑制为0的方式，确实可以达到消除噪声的目的，但这种方式过于粗糙，因为这样做没有利用噪声本身的信息，所以作为衡量相似性的标准差（上述结果为8.356）仍然很大，而且降噪后的信息亏损了很多原信号的能量成分（%
3.6左右），这说明在降噪的过程中，不光抑制了噪声，也抑制了很多有用的信息成分。利用FFT去噪也是一样。
科技论文写作大作业小波变换图像去噪综述 院系： 班级： 学号： 姓名：
摘要小波图象去噪已经成为目前图象去噪的主要方法之一.在对目前小波去噪文献进行理解和综合的基础上,首先通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;接着分别阐述了目前常用的3类小波去噪方法,并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系、不同噪声场合下的小波去噪等几个方面,对小波图象去噪进行了综述;最后,基于对小波去噪问题的理解,提出了对小波去噪方法的一些展望 关键词：小波去噪小波萎缩小波变换图象压缩 1.前言 在信号数据采集及传输时，不仅能采集或接收到与所研究的问题相关的有效信号，同时也会观测到各种类型的噪声。在实际应用中，为降低噪声的影响，不仅应研究信号采集的方式方法及仪器的选择，更重要的是对已采集或接收的信号寻找最佳的降噪处理方法。对于信号去噪方法的研究可谓是信号处理中一个永恒的话题。传统的去噪方法是将被噪声污染的信号通过一个滤波器，滤除掉噪声频率成分。但对于瞬间信号、宽带噪声信号、非平稳信号等，采用传统方法具有一定的局限性。其次还有傅里叶(Fourier)变换也是信号处理中的重要手段。这是因为信号处理中牵涉到的绝大部分都是语音或其它一维信号，这些信号可以近似的认为是一个高斯过程，同时由于信号的平稳性假设，傅立叶交换是一个很好的信号分析工具。但也有其不足之处，给实际应用带来了困难。 小波变换是继Fourier变换后的一重大突破，它是一种窗口面积恒定、窗口形状可变(时间域窗口和频率域窗口均可改变)的时频局域化分析方法，它具有这样的特性；在低频段具有较高的频率分辨率及较低的时间分辨率，在高频段具有较高的时间分辨率及较低的频率分辨率，实现了时频窗口的自适应变化，具有时频分析局域性。小波变换的一个重要应用就是图像信号去噪。将小波变换用于信号去噪，它能在去噪的同时而不损坏信号的突变部分。在过去的十多年，小波方法在信号和图像去噪方面的应用引起学者广泛的关注。本文阐述小波图像去噪方法的原理，概括目前的小波图像去噪的主要方法，最后对小波图像去噪方法的发展和应用进行展望。 2小波图像去噪的原理 所谓小波变化，即:
[转帖]小波去噪matlab程序 ****************************************** clear clc %在噪声环境下语音信号的增强 %语音信号为读入的声音文件 %噪声为正态随机噪声 sound=wavread('c12345.wav'); count1=length(sound); noise=0.05*randn(1,count1); for i=1:count1 signal(i)=sound(i); end for i=1:count1 y(i)=signal(i)+noise(i); end %在小波基'db3'下进行一维离散小波变换[coefs1,coefs2]=dwt(y,'db3'); %[低频高频] count2=length(coefs1); count3=length(coefs2); energy1=sum((abs(coefs1)).^2); energy2=sum((abs(coefs2)).^2);
energy3=energy1+energy2; for i=1:count2 recoefs1(i)=coefs1(i)/energy3; end for i=1:count3 recoefs2(i)=coefs2(i)/energy3; end %低频系数进行语音信号清浊音的判别 zhen=160; count4=fix(count2/zhen); for i=1:count4 n=160*(i-1)+1:160+160*(i-1); s=sound(n); w=hamming(160); sw=s.*w; a=aryule(sw,10); sw=filter(a,1,sw); sw=sw/sum(sw); r=xcorr(sw,'biased'); corr=max(r); %为清音（unvoice）时，输出为1；为浊音（voice）时，输出为0 if corr>=0.8
测试信号处理作业 题目：基于小波变换的语音信号去噪 年级：级 班级：仪器科学与技术 学号： 姓名： 日期：2015年6月
基于小波变换的语音信号去噪 对于信号去噪方法的研究是信号处理领域一个永恒的话题。经典的信号去噪方法，如时域、频域、加窗傅立叶变换、维纳分布等各有其局限性，因此限制了它们的应用范围。小波变换是八十年代末发展起来的一种新时-频分析方法，它在时-频两域都具有良好的局部化特性；并且在信号去噪领域获得了广泛的应用。 目前已经提出的小波去噪方法主要有三种：模极大值去噪、空域相关滤波去噪以及小波阈值去噪法。阈值法具有计算量小、去噪效果好的特点，取得了广泛的应用。然而在阈值法中，阈值的选取直接关系到去噪效果的优劣。如果阈值选取过小，那么一部分噪声小波系数将不能被置零，从而在去噪后的信号中保留了部分噪声信息；如果阈值选的偏大，则会将一部分有用信号去掉，使得去噪后的信号丢失信息。 1、语音信号特性 由于语音的生成过程与发音器宫的运动过程密切相关，而且人类发音系统在产生不同语音时的生理结构并不相同，因此使得产生的语音信号是一种非平稳的随机过程(信号)。但由于人类发生器官变化速度具有一定的限度而且远小于语音信号的变化速度，可以认为人的声带、声道等特征在一定的时间内(10- 30ms)基本不变，因此假定语音信号是短时平稳的，即语音信号的某些物理特性和频谱特性在10-30ms的时间段内近似是不变的，具有相对的稳定性，这样可以运用分析平稳随机过程的方法来分析和处理语音信号。在语音增强中就是利用了语音信号短时谱的平稳性。 语音信号基本上可以分为清音和浊音两大类。清音和浊音在特性上有明显的区别，清音没有明显的时域和频域特性，看上去类似于白噪声，并具有较弱的振幅；而浊音在时域上有明显的周期性和较强的振幅，其能量大部分集中在低频段内，而且在频谱上表现出共振峰结构。在语音增强中可以利用浊音所具有的明显的周期性来区别和抑制非语音噪声，而清音由于类似于白噪声的特性，使其与宽带平稳噪声很难区分。 由于语音信号是一种非平稳、非遍历的随机过程，因此长时间时域统计特性对语音信号没有多大的意义，而短时谱的统计特性对语音信号和语音增强有着十分重要的作用。语音信号短时谱幅度统计特性的时变性，使得语音信号的分析帧在趋于无穷大时，根据中心极限定理，其短时谱的统计特性服从高斯(Gauss)分布，而在实际应用时只能在有限帧长下进行处理，因此，在有限帧时这种高斯分布的统计特性是一种近似的描述，这样就可以作为分析宽带噪声污染的带噪语音信号增强应用时的前提和假设。
小波去噪 [xd,cxd,lxd]=wden(x,tptr,sorh,scal,n,'wname') 式中： 输入参数x 为需要去噪的信号； 1.tptr ：阈值选择标准. 1)无偏似然估计（rigrsure）原则。它是一种基于史坦无偏似然估计（二次方程）原理的自适应阈值选择。对于一个给定的阈值t，得到它的似然估计，再将似然t 最小化，就得到了所选的阈值，它是一种软件阈值估计器。 2）固定阈值（sqtwolog）原则。固定阈值thr2 的计算公式为：thr 2log(n) 2 = (6)式中，n 为信号x（k）的长度。 3）启发式阈值（heursure）原则。它是rigrsure原则和sqtwolog 原则的折中。如果信噪比很小，按rigrsure 原则处理的信号噪声较大，这时采用sqtwolog原则。 4）极值阈值（minimaxi）原则。它采用极大极小原理选择阈值，产生一个最小均方误差的极值，而不是没有误差。 2.sorh ：阈值函数选择方式，即软阈值(s) 或硬阈值(h). 3.scal ：阈值处理随噪声水平的变化，scal=one 表示不随噪声水平变化，scal=sln 表示根据第一层小波分解的噪声水平估计进行调整，scal=mln 表示根据每一层小波分解的噪声水平估计进行调整. 4.n 和wname 表示利用名为wname 的小波对信号进行n 层分解。输出去噪后的数据xd 及xd 的附加小波分解结构[cxd,lxd]. 常见的几种小波：haar，db，sym，coif，bior haar db db1 db2 db3 db4 db5 db6 db7 db8 db9 db10 sym sym2 sym3 sym4 sym5 sym6 sym7 sym8 coif coif1 coif2 coif3 coif4 coif5 coif6 coif7 coif8 coif9 coif10 bior bior1.1 bior1.3 bior1.5 bior2.2 bior2.4 bior2.6 bior2.8 bior3.5 bior3.7 bior3.9 bior4.4
文章编号：1006-7043（2000）04-0021-03 基于小波变换的去噪方法 林克正 李殿璞 （哈尔滨工程大学自动化学院，黑龙江哈尔滨150001） 摘 要：分析了信号与噪声在小波变换下的不同特点，提出了基于小波变换的去噪方法，且将该去噪算法 用算子加以描述，给出了具体实例.小波变换硬阈值去噪法和软阈值去噪法的性能比较及仿真实验，表明基于小波变换的去噪方法是非常有效的.!关 键 词：小波变换；去噪；奇异性检测；多尺度分析 中图分类号：TN911.7 文献标识码：A Denoising Method Based on Wavelet Transform Lin Ke-zheng Li Dian-pu （Automation Coiiege ，Harbin Engineering University ，Harbin 150001，China ） Abstract ：This paper anaiyzes the different characteristics of noise and signai under waveiet transform and proposes the denoising method based on waveiet transform.The denoising aigorithm based on waveiet transform are described with some operators.Some exampies are demonstrated.The performance of denoising with hard and soft threshoid method based on waveiet transform are compared in computer simuiation.The simuiation shows that the denoising method based on waveiet transform is very effective. Key words ：waveiet transform ；denoising ；singuiarity detection ；muitiresoiution anaiysis 提取掩没在噪声中的信号是信号处理的一项重要课题.实际的信号总是含有噪声的，当待检测信号的输入信噪比很低，各种噪声幅值大、分布广，而干扰信号又与真实信号比较接近时，用传统的时域或频域滤波往往不能取得预期效果.D.L.Donoho 提出的非线性小波方法从噪声中提取信号 效果最明显［2-5］ ，并且在概念上也有别于其它方 法，其主要思想有局部极大值阈值法、全局单一阈 值法［3］和局部SURE 多阈值法［4］ .在此基础上，本文首先分析了信号和噪声在小波变换下的不同特 性，据此可有效地从噪声信号检出有用的信号，用算子的形式对基于小波变换的去噪方法进行了统一的描述，并提出了一种可浮动的自适应阈值选取方法. 1 小波分析基础 1.1 信号的小波变换 ［1］ 设母波函数是!（t ），伸缩和平移因子分别为a 和6，小波基函数!a ，6（t ） 定义为!a ， 6（t ）=1! a !（t -6 a ）（1）式中，6"R ，a "R -｛0｝. 函数f （t ）" 2 （R ） 的小波变换W a ，6（f ）定义为 W a ，6（f ）=
小波去噪matlab程序 ****************************************** clear clc %在噪声环境下语音信号的增强 %语音信号为读入的声音文件 %噪声为正态随机噪声 sound=wavread('c12345.wav'); count1=length(sound); noise=0.05*randn(1,count1); for i=1:count1 signal(i)=sound(i); end for i=1:count1 y(i)=signal(i)+noise(i); end %在小波基'db3'下进行一维离散小波变换 [coefs1,coefs2]=dwt(y,'db3');%[低频高频] count2=length(coefs1); count3=length(coefs2); energy1=sum((abs(coefs1)).^2); energy2=sum((abs(coefs2)).^2); energy3=energy1+energy2; for i=1:count2 recoefs1(i)=coefs1(i)/energy3; end for i=1:count3 recoefs2(i)=coefs2(i)/energy3; end %低频系数进行语音信号清浊音的判别 zhen=160; count4=fix(count2/zhen); for i=1:count4 n=160*(i-1)+1:160+160*(i-1); s=sound(n); w=hamming(160); sw=s.*w; a=aryule(sw,10); sw=filter(a,1,sw);
基于小波图像去噪的MATLAB 实现 一、 论文背景 数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。 二、 课题原理 1.小波基本原理 在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成：
())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的积： ( )dx a b x a x f f x W b a b a )(1)(,,,-ψ= ψ=?+∞∞- （3） 与时域函数对应，在频域上则有： ())(,ωωa e a x j b a ψ=ψ- （4） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 2. 图像去噪综述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设
收稿日期：2007－12－10 作者简介：史振江（1979－），男，汉，河北唐山人，学士，讲师，研究方向智能检测与控制技术。 基金项目：河北省教育厅自然科学项目（Z2006442） 基于MATLAB 的小波消噪仿真实现 史振江１） 安建龙 ２） 赵玉菊１） （石家庄铁路职业技术学院１） 河北石家庄 ０５００４１ 衡水学院２） 河北衡水 ０５３０００） 摘要：小波阈值消噪方法是利用小波变换技术对含噪信号进行分解和重构，通过对小波分解后的小波系数限定阈值来消除噪声的方法。分析小波消噪的算法和实现步骤，并基于MATLAB 软件平台编写仿真程序。进行光纤光栅反射信号的小波消噪仿真实验，消噪效果良好。 关键词：小波消噪 阈值 分解 重构 光纤光栅 中图分类号：ＴＰ２７２ 文献标识码：Ａ 文章编号：1673-1816(2008)01-0063-04 １ 引言 微弱信号检测[1]是关于如何提取和测量强噪声背景下微弱信号的方法，有效的去除信号中的噪声是实现微弱信号检测的关键。小波变换[2]是一种信号的时间、频率分析方法，具有多分辨分析的特点，是时间窗和频率窗都可以改变的时频局部化分析方法，已经广泛应用于信号消噪、信号处理、图像处理、语音识别与合成等领域。小波消噪[3～5]的方法可以分为三类：模极大值法、相关法以及阈值方法。其中，小波阈值消噪方法是利用小波变换技术对含噪信号进行分解和重构，通过对小波分解后的各层系数限定阈值来消除噪声的方法，因其实现简单、计算量小，取得了广泛应用。 MATLAB 即矩阵实验室，是一种建立在向量、数组和矩阵基础上，面向科学与工程计算的高级语言，它集科学计算、自动控制、信号处理、神经网络、图像处理于一体，具有极高的编程效率[6]。其中的小波处理工具箱可以方便实现小波消噪算法，对含噪信号进行消噪处理和研究。 本文详细分析了小波消噪算法，利用MATLAB 软件编写了程序，并对光纤光栅反射谱信号进行了小波消噪仿真实验。 ２ 小波变换与Mallat 算法 小波变换是指，把某一被称为基本小波的函数()t ψ平移位移b 后， 在不同尺度a 下作伸缩变换，得到连续小波序列,()a b t ψ，再与待分析信号()f t 作内积： 1/2(,)()()f R t b W a b a f t dt a ψ??=∫ （1） 在实际应用中，经常将,()a b t ψ作离散化处理，令2j a =，2j b k =g ，Z k j ∈,则得到相应的离散
图像去噪方法 一、引言 图像信号在产生、传输和记录的过程中，经常会受到各种噪声的干扰，噪声可以理解为妨碍人的视觉器官或系统传感器对所接收图像源信 息进行理解或分析的各种元素。噪声对图像的输入、采集、处理的各个环节以及最终输出结果都会产生一定影响。图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等。我们平常使用的滤波方法一般有均值滤波、中值滤波和小波滤波，他们分别对某种噪声的滤除有较好的效果。对图像进行去噪已成为图像处理中极其重要的容。 二、常见的噪声 1、高斯噪声：主要有阻性元器件部产生。 2、椒盐噪声：主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生泊松噪声。 3、量化噪声：此类噪声与输入图像信号无关,是量化过程存在量化误差，再反映到接收端而产生，其大小显示出数字图像和原始图像差异。
一般数字图像系统中的常见噪声主要有高斯噪声和椒盐噪声等，减少噪声的方法可以在图像空间域或在图像频率域完成。在空间域对图像处理主要有均值滤波算法和中值滤波算法．图像频率域去噪方法是对图像进行某种变换，将图像从空间域转换到频率域，对频率域中的变换系数进行处理，再进行反变换将图像从频率域转换到空间域来达到去除图像噪声的目的。将图像从空间转换到变换域的变换方法很多，常用的有傅立叶变换、小波变换等。 三、去噪常用的方法 1、均值滤波 均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。其基本原理是用均值替代原图像中的各个像素值,即对待处理的当前像素点（x,y）,选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像
1.小波变换的概念 小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。 2.小波有哪几种形式?常用的有哪几种?具体用哪种，为什么？ 有几种定义小波(或者小波族)的方法: 缩放滤波器:小波完全通过缩放滤波器g——一个低通有限脉冲响应(FIR)长度为2N和为1的滤波器——来定义。在双正交小波的情况，分解和重建的滤波器分别定义。 高通滤波器的分析作为低通的QMF来计算，而重建滤波器为分解的时间反转。例如Daubechies和Symlet 小波。 缩放函数:小波由时域中的小波函数 (即母小波)和缩放函数 (也称为父小波)来定义。 小波函数实际上是带通滤波器，每一级缩放将带宽减半。这产生了一个问题，如果要覆盖整个谱需要无穷多的级。缩放函数滤掉变换的最低级并保证整个谱被覆盖到。 对于有紧支撑的小波，可以视为有限长，并等价于缩放滤波器g。例如Meyer小波。 小波函数:小波只有时域表示，作为小波函数。例如墨西哥帽小波。 3.小波变换分类 小波变换分成两个大类：离散小波变换 (DWT) 和连续小波转换 (CWT)。两者的主要区别在于，连续变换在所有可能的缩放和平移上操作，而离散变换采用所有缩放和平移值的特定子集。 DWT用于信号编码而CWT用于信号分析。所以，DWT通常用于工程和计算机科学而CWT经常用于科学研究。 4.小波变换的优点 从图像处理的角度看，小波变换存在以下几个优点： (1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法) 另: 1) 低熵性变化后的熵很低; 2) 多分辨率特性边缘、尖峰、断点等;方法, 所以可以很好地刻画信号的非平稳特性 3) 去相关性域更利于去噪; 4) 选基灵活性: 由于小波变换可以灵活选择基底, 也可以根据信号特性和去噪要求选择多带小波、小波包、平移不变小波等。 小波变换的一个最大的优点是函数系很丰富, 可以有多种选择, 不同的小波系数生成的小波会有不同的效果。噪声常常表现为图像上孤立像素的灰度突变, 具有高频特性和空间不相关性。图像经小波分解后可得到低频部分和高频部分, 低频部分体现了图像的轮廓, 高频部分体现为图像的细节和混入的噪声, 因此, 对图像去噪, 只需要对其高频系数进行量化处理即可。 5.小波变换的科学意义和应用价值
小波图像去噪及matlab实例 图像去噪 图像去噪是信号处理的一个经典问题，传统的去噪方法多采用平均或线性方法进行，常用的是维纳滤波，但是去噪效果不太好（维纳滤波在图像复原中的作用）。 小波去噪 随着小波理论的日益完善，其以自身良好的时频特性在图像去噪领域受到越来越多的关注，开辟了用非线性方法去噪的先河。具体来说，小波能够去噪主要得益于小波变换有如下特点： （1）低熵性。小波系数的稀疏分布，使图像变换后的熵降低。意思是对信号（即图像）进行分解后，有 更多小波基系数趋于0（噪声），而信号主要部分多集中于某些小波基，采用阈值去噪可以更好的保留原 始信号。 （2）多分辨率特性。由于采用了多分辨方法，所以可以非常好地刻画信号的非平稳性，如突变和断点等（例如0-1突变是傅里叶变化无法合理表示的），可以在不同分辨率下根据信号和噪声的分布来消除噪声。（3）去相关性。小波变换可对信号去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪。（4）基函数选择灵活。小波变换可灵活选择基函数，也可根据信号特点和去噪要求选择多带小波和小波 包等（小波包对高频信号再次分解，可提高时频分辨率），对不同场合，选择不同小波基函数。 根据基于小波系数处理方式的不同，常见去噪方法可分为三类： （1）基于小波变换模极大值去噪（信号与噪声模极大值在小波变换下会呈现不同变化趋势）
（2）基于相邻尺度小波系数相关性去噪（噪声在小波变换的各尺度间无明显相关性，信号则相反）（3）基于小波变换阈值去噪 小波阈值去噪是一种简单而实用的方法，应用广泛，因此重点介绍。 阈值函数选择 阈值处理函数分为软阈值和硬阈值，设w是小波系数的大小，wλ是施加阈值后小波系数大小，λ为阈值。（1）硬阈值 当小波系数的绝对值小于给定阈值时，令其为0，而大于阈值时，保持其不变，即： （2）软阈值 当小波系数的绝对值小于给定阈值时，令其为0，大于阈值时，令其都减去阈值，即： 如下图，分别是原始信号，硬阈值处理结果，软阈值处理结果。硬阈值函数在|w| = λ处是不连续的，容易造成去噪后图像在奇异点附近出现明显的伪吉布斯现象。 阈值大小的选取 阈值的选择是离散小波去噪中最关键的一部。在去噪过程中，小波阈值λ起到了决定性作用：如果阈值太小，则施加阈值后的小波系数将包含过多的噪声分量，达不到去噪的效果；反之，阈值太大，则去除了有用的成分，造成失真。小波阈值估计方法很多，这里暂不介绍。 小波去噪实现步骤 （1）二维信号的小波分解。选择一个小波和小波分解的层次N，然后计算信号s到第N层的分解。
clear all clc %在噪声环境下语音信号的增强 %语音信号为读入的声音文件 %噪声为正态随机噪声 sound=wavread('c12345.wav'); count1=length(sound); noise=0.05*randn(1,count1); for i=1:count1 signal(i)=sound(i); end for i=1:count1 y(i)=signal(i)+noise(i); end %在小波基'db3'下进行一维离散小波变换 [coefs1,coefs2]=dwt(y,'db3'); %[低频高频] count2=length(coefs1); count3=length(coefs2); energy1=sum((abs(coefs1)).^2); energy2=sum((abs(coefs2)).^2); energy3=energy1+energy2; for i=1:count2 recoefs1(i)=coefs1(i)/energy3; end for i=1:count3 recoefs2(i)=coefs2(i)/energy3; end %低频系数进行语音信号清浊音的判别 zhen=160; count4=fix(count2/zhen); for i=1:count4 n=160*(i-1)+1:160+160*(i-1); s=sound(n); w=hamming(160); sw=s.*w; a=aryule(sw,10); sw=filter(a,1,sw); sw=sw/sum(sw); r=xcorr(sw,'biased'); corr=max(r); %为清音（unvoice）时，输出为1；为浊音（voice）时，输出为0 if corr>=0.8 output1(i)=0; elseif corr<=0.1
小波去噪常用方法 目前，小波去噪的方法大概可以分为三大类：第一类方法是利用小波变换模极大值原理去噪，即根据信号和噪声在小波变换各尺度上的不同传播特性，剔除由噪声产生的模极大值点，保留信号所对应的模极大值点，然后利用所余模极大值点重构小波系数，进而恢复信号；第二类方法是对含噪信号作小波变换之后，计算相邻尺度间小波系数的相关性，根据相关性的大小区别小波系数的类型，从而进行取舍，然后直接重构信号；第三类是小波阈值去噪方法，该方法认为信号对应的小波系数包含有信号的重要信息，其幅值较大，但数目较少，而噪声对应的小波系数是一致分布的，个数较多，但幅值小。基于这一思想，在众多小波系数中，把绝对值较小的系数置为零，而让绝对值较大的系数保留或收缩，得到估计小波系数，然后利用估计小波系数直接进行信号重构，即可达到去噪的目的。 1：小波变换模极大值去噪方法 信号与噪声的模极大值在小波变换下会呈现不同的变化趋势。小波变换模极大值去噪方法，实质上就是利用小波变换模极大值所携带的信息，具体地说就是信号小波系数的模极大值的位置和幅值来完成对信号的表征和分析。利用信号与噪声的局部奇异性不一样，其模极大值的传播特性也不一样这些特性对信号中的随机噪声进行去噪处理。 算法的基本思想是，根据信号与噪声在不同尺度上模极大值的不同传播特性，从所有小波变换模极大值中选择信号的模极大值而去除噪声的模极大值，然后用剩余的小波变换模极大值重构原信号。小波变换模极大值去噪方法，具有很好的理论基础，对噪声的依赖性较小，无需知道噪声的方差，非常适合于低信噪比的信号去噪。这种去噪方法的缺点是，计算速度慢，小波分解尺度的选择是难点，小尺度下，信号受噪声影响较大，大尺度下，会使信号丢失某些重要的局部奇异性。 2：小波系数相关性去噪方法 信号与噪声在不同尺度上模极大值的不同传播特性表明，信号的小波变换在各尺度相应位置上的小波系数之间有很强的相关性，而且在边缘处有很强的相关
Matlab小波函数 一、Matlab小波去噪基本原理 1、带噪声的信号一般是由含有噪声的高频信号和原始信号所在的低频 信号。利用多层小波，将高频噪声信号从混合信号中分解出来。 2、选择合适的阈值对图像的高频信号进行量化处理 3、重构小波图像：依据图像小波分解的低频信号与处理之后的高频信 号来重构图像的信息。 二、第二代小波变换 1、构造方法特点： （1）继承了第一代小波的多分辨率的特性。 （2）不依赖fourior变换，直接在时域完成小波变换。 （3）变换之后的系数可以是整数。 （4）图像恢复质量与变换是边界采用何种延拓方式无关。 2、优点：算法简单，速度快，适合并行处理。对内存需求量小，便于DSP 芯片实现、可用于本位操作运算。 3、提升原理:构造紧支集双正交小波 （1）步骤：分裂—预测—更新 （2）分解与重构 三、matlab小波函数库 1、matlab小波通用函数： （1）wavemngr函数【小波管理器（用于小波管理，添加、删除、储存、读取小波）】 wavemngr(‘add’,FN,FSN,WT,NUMS,FILE) wavemngr(‘add’,FN,FSN,WT,NUMS,FILE,B) % 添加小波函数，FN为family name，FSN为family short name WT为小波类型：WT=1表示正交小波，=2表示非正交小波，=3表示带尺度函数的小波，=4表示无尺度函数的小波，=5表示 无尺度函数的复小波。 小波族只有一个小波，则NUMS=“，否则NUMS表示小波参数的字符串 FILE表示文件名 B=[lb ub]指定小波有效支撑的上下界 wavemngr(‘del’,N) %删除小波 wavemngr(‘restore’)/ wavemngr(‘restore’,IN2) %保存原始小波 OUT1= wavemngr(‘read’) %返回小波族的名称 OUT1= wavemngr(‘read’,IN2) %返回所有小波的名称 OUT1= wavemngr(‘read_asc’) %读取wavelets.asc文件并返回小波信息 （2）scal2frq函数【尺度转换频率】 F=scal2frq(A,’wname’,DELTA) %返回由尺度A，小波函数“wname”和采样周期DELTA决定的准 频率。 （3）orthfilt函数【正交小波滤波器组】
1.给出五种常用小波基的时域和频域波形图。 与标准的傅里叶变换相比，小波分析中使用到的小波函数具有不唯一性，即小波函数(t)ψ 具有多样性。小波分析在工程应用中，一个十分重要的问题就是最优小波基的选择问题，因为用不同的小波基分析同一个问题会产生不同的结果。目前我们主要是通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏，由此决定小波基。常用小波基有Haar 小波、Daubechies(dbN)小波、Mexican Hat(mexh)小波、Morlet 小波、Meyer 小波等5种。 （1）Haar 小波 Haar 函数是小波分析中最早用到的一个具有紧支撑的正交小波函数，也是最简答的一个小波函数，它是支撑域在[0,1]∈t 围的单个矩形波。 Haar 函数的 定义如下：其他 1212 1 001-1(t)≤≤≤≤?????=ψt t Haar 小波在时域上是不连续的，所以作为基本小波性能不是特别好。但它也有自己的优点，如： 计算简单； (t)ψ不但与t)2(j ψz][j ∈正交，而且与自己的整数位移正交。 因此，在2j a =的多分辨率系统中Haar 小波构成一组最简单的正交归一的小波 族。 ()t ψ的傅里叶变换是： 2/24=sin ()j e a ψ-ΩΩ ΩΩ（）j
Haar 小波的时域和频域波形图 -1.5 -1 -0.5 0.5 1 1.5 t haar 时域 x 10 5 1 2 3 4 5 6 75 f haar 频域 i=20; wav = 'haar'; [phi,g1,xval] = wavefun(wav,i); subplot(1,2,1); plot(xval,g1,'-r','LineWidth',1.5); xlabel('t') title('haar 时域'); g2=fft(g1); g3=abs(g2); subplot(1,2,2);plot(g3); xlabel('f') title('haar 频域')
河南农业大学 本科生毕业论文 题目基于小波变换的信号去噪研究 学院理学院 专业班级信安3班 学生姓名秦学珍 指导教师吴莉莉 撰写日期：年月日
基于小波变换的信号去噪研究 秦学珍 摘要 小波变换是一种新型的数学分析工具，是80年代后期迅速发展起来的新兴学科。小波变换具有多分辨率的特点，在时域和频域都具有表征信号局部特征能力，适合分析非平稳信号，可以由粗及精地逐步观察信号。小波分析的理论和方法在信号处理、图像处理、语音处理、模式识别、量子物理等领域得到越来越广泛的应用，它被认为是近年来在工具及方法上的重大突破。 信号的采集与传输过程中，不可避免会受到大量噪声信号的干扰，对信号进行去噪，提取出原始信号是一个重要的课题。那么究竟应该如何从含噪声的信号中提取出原始的信号，这就成了最重要的问题。经过长期的探索与努力、实验仿真，对比于加窗傅里叶对信号去噪，提取原始信号的方法，终于找到了一种全新的信号处理方法——小波分析。它将信号中各种不同的频率成分分解到互不重叠的频带上，为信号滤波、信噪分离和特征提取提供了有效途径，特别在信号去噪方面显出了独特的优势。 本文从小波变换的定义和信号与噪声的不同特性出发，在对比分析了各种去噪方法的优缺点基础上，运用了对小波分解系数进行阈值化的方法来对一维信号去噪，该方法对去除一维平稳信号含有的白噪声有非常满意的效果，具有有效性和通用性，能提高信号的信噪比。与此同时，本文还补充介绍了强制消噪处理、默认阈值处理、给定软阈值处理等对信号消噪的方法。在对含噪信号运用阈值进行消噪的过程中，对比了用不同分解层数进行处理的去噪效果。 本文采用的是用传感器采集的微弱生物信号。生物信号通常是噪声背景小的低频信号，而噪声信号通常集中在信号的高频部分。因此，应用小波分解，把信号分解成不同频率的波形信号，并对高频波进行相关的处理，处理后的高频信号在和分离出的低频信号进行重构，竟而，就得到了含少量噪声的原始信号。而且，随着分解层数的不同，小波去噪的效果也是不同的。并对此进行了深入
基于小波变换的信号降噪研究 2 小波分析基本理论 设Ψ(t)∈L 2( R) ( L 2( R) 表示平方可积的实数空间，即能量有限的信号空间) ， 其傅立叶变换为Ψ(t)。当Ψ(t)满足条件[4,7]： 2 () R t dw w C ψψ =<∞? （1） 时，我们称Ψ(t)为一个基本小波或母小波，将母小波函数Ψ(t)经伸缩和平移后，就可以得到一个小波序列： ,()( )a b t b t a ψ -= ,,0a b R a ∈≠ （2） 其中a 为伸缩因子，b 为平移因子。 对于任意的函数f(t)∈L 2( R)的连续小波变换为： ,(,),()( )f a b R t b W a b f f t dt a ψψ-=<>= ? （3） 其逆变换为： 211()(,)()f R R t b f t W a b dadb C a a ψ ψ+-= ?? （4） 小波变换的时频窗是可以由伸缩因子a 和平移因子b 来调节的，平移因子b,可以改变窗口在相平面时间轴上的位置，而伸缩因子b 的大小不仅能影响窗口在频率轴上的位置,还能改变窗口的形状。小波变换对不同的频率在时域上的取样步长是可调节的，在低频时，小波变换的时间分辨率较低，频率分辨率较高：在高频时，小波变换的时间分辨率较高，而频率分辨率较低。使用小波变换处理信号时，首先选取适当的小波函数对信号进行分解，其次对分解出的参数进行阈值处理，选取合适的阈值进行分析，最后利用处理后的参数进行逆小波变换，对信号进行重构。 3 小波降噪的原理和方法 3.1 小波降噪原理 从信号学的角度看 ,小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波 ,但由于在去噪后 ,还能成功地保留信号特征 ,所以在这一点上又优于传统的低通滤波器。由此可见 ,小波去噪实际上是特征提取和低通滤波的综合 ,其流程框图如 图所示[6] ： 小波分析的重要应用之一就是用于信号消噪 ,一个含噪的一维信号模型可表示为如下
附录 验证仿真程序如下： x=wnoise(3,10); ind=linspace(0,1,2^10); subplot(4,1,1); plot(x); title('(a)'); [x,noisyx]=wnoise(3,10,3,2^10); subplot(4,1,2); plot(noisyx); title('(b)'); xd=wden(x,'rigrsure','s','sln',5,'sym8'); subplot(4,1,3); plot(xd); title('(c)') xd=wden(x,'sqtwolog','h','sln',5,'sym8'); subplot(4,1,4); plot(xd); title('(d)');
试验程序如下： load noisbloc; x=noisbloc; subplot(2,2,1); plot(x);title('a') xd=wden(x,'rigrsure','s','sln',5,'sym8'); subplot(2,2,2); plot(xd);title('b') p1=1/length(x)*norm(x)^2; p2=1/length(x)*norm(x-xd)^2; snr1=10*log(p1/p2) RMSE1=sqrtm(p2) xd=wden(x,'sqtwolog','h','sln',5,'sym8'); subplot(2,2,3); plot(xd);title('c') p1=1/length(x)*norm(x)^2; p2=1/length(x)*norm(x-xd)^2; snr2=10*log(p1/p2) RMSE2=sqrtm(p2) wc=0.3; N=5; [b,a]=butter(N,wc); xd=filter(b,a,x); subplot(2,2,4);plot(xd);title('d'); p1=1/length(x)*norm(x)^2; p2=1/length(x)*norm(x-xd)^2; snr3=10*log(p1/p2) RMSE3=sqrtm(p2)